RAG Complete Guide

Цель курса — показать, что RAG это не только векторные базы данных, а прежде всего идея поиска для обогащения контекста модели. Мы разберём разные подходы к поиску данных: семантический, гибридный, многошаговый, на основе графов знаний, табличный и даже поиск в интернете.

Почему стоит выбрать этот курс?
Курсов по AI-инжинирингу и LLM-приложениям много, но тему RAG редко раскрывают системно и с такой глубиной. Наш курс выделяется подборкой тем и проработкой каждого подхода: от простейших подходов до вывода в продакшен Похожего объёма и детализации вы не найдёте даже в англоязычных аналогах (поэтому курс называется Complete Guide / «Исчерпывающее руководство»).

Что вы приобретете:
Вы получаете фундаментальные знания и понимание, как устроены RAG-пайплайны, как их проектировать и разрабатывать, как их оценивать и подготавливать к релизу ваше LLM-приложение.

Особенности курса:
- Текстовый формат — последовательные лонгриды.
- В каждом уроке — теория + тесты + практические задания (в конце модуля).
- Материал написан живым человеком с вниманием к деталям и без автоматической генерации.
- Проектные задания проверяются через авторскую систему оценки.

Что нужно будет делать:
- Изучать уроки, постепенно выстраивая целостную картину RAG.
- Проходить тесты на понимание 
- Выполнять небольшие практические задания
- Сдавать проектные работы через авторскую систему оценивания

Структура курса:
1. Введение
2. RAG на основе векторов
3. Общие техники
4. RAG на основе графов
5. RAG на основе табличных данных
6. RAG на основе поиска в интернете
7. Оценка RAG
8. Экзотические подходы RAG
9. Production RAG / RAGOps

Технологический стек курса:
1. Ollama, Hugging Face (transformers, sentence-transformers), FastEmbed
2. FAISS, Sqlite+sqlite-vec, PostgreSQL+pgvector, Qdrant, Chroma, Milvus
3. BM25, SPLADE, Cross-Encoders
4. ...